CN114862252A - 可调负荷多层聚合调度潜力分析方法、***、设备及介质 - Google Patents
可调负荷多层聚合调度潜力分析方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114862252A CN114862252A CN202210582965.0A CN202210582965A CN114862252A CN 114862252 A CN114862252 A CN 114862252A CN 202210582965 A CN202210582965 A CN 202210582965A CN 114862252 A CN114862252 A CN 114862252A
- Authority
- CN
- China
- Prior art keywords
- potential
- layer
- adjustable
- aggregation
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002776 aggregation Effects 0.000 title claims abstract description 67
- 238000004220 aggregation Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims description 25
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 230000005284 excitation Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 116
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 35
- 238000009776 industrial production Methods 0.000 claims description 26
- 238000004378 air conditioning Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 14
- 238000001816 cooling Methods 0.000 claims description 13
- 229920000642 polymer Polymers 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005057 refrigeration Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000005338 heat storage Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 abstract description 21
- 229910052799 carbon Inorganic materials 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000001976 improved effect Effects 0.000 abstract description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 157
- 238000011176 pooling Methods 0.000 description 14
- 238000005485 electric heating Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 11
- 238000006116 polymerization reaction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013047 polymeric layer Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了可调负荷多层聚合调度潜力分析方法、***、设备及介质，将多元可调节负荷分为设备层、用户层和聚合商层三个层次；同时考虑电价、激励机制及用户意愿，对设备层、用户层和聚合商层逐层计算可调节潜力，并逐层传递约束边界，最终获得多元可调节负荷的聚合调度潜力评估曲线。本发明使得多元负荷资源的各方主体通过参与电网调控运行，可获得调节补偿，增加了收益，此外，通过多元负荷资源协同调控提升分布式新能源消纳水平，降低电力生产的碳排放，有利于促进低碳目标的达成，实现多赢。
Description
技术领域
本发明涉及多元负荷调控领域，具体涉及一种可调负荷多层聚合调度潜力分析方法、***、设备及介质。
背景技术
随着能源转型的不断深入，电力***进入新时代，特高压交直流混联电网规模快速扩大，高渗透率新能源快速发展，分布式电源、储能等新型负荷比例快速上升，以广泛互联、智能互动、灵活柔性、安全可控为特征的新一代电力***正在形成，对调控技术支撑能力提出了新的要求。除了常规电源侧调节资源，电力***中又出现了一些新的调节资源，特别是一些分布式灵活调节资源，包括：居民温控负荷(如空调、热水器、电采暖等)、电动汽车、商业中央空调和工业生产线等，用户不再仅仅是末端用电负荷，可以通过负荷侧管理实现与调度机构互动。相比于常规电源，上述负荷侧资源数量庞大、类型多样，且同时兼具生产者与消费者双重角色，运行特性复杂多变。例如规模化电动汽车的充电负荷将对城市电网带来显著影响，势必加剧电力***峰谷差、电压偏移、局部阻塞等突出矛盾；另一方面电动汽车的分布式储能特性，将为电网调峰、调压、新能源消纳等提供丰富的可调度资源。因此，亟需将多元负荷有效纳入电网可调控资源，实现数据贯通以提升电网优化配置能力。
下面对相关的现有技术介绍如下：
1)现有技术1：计及响应不确定性温控负荷聚合响应潜力评估方法及***，专利申请号：201710425592.5
公开了一种计及响应不确定性的温控负荷聚合响应潜力评估方法及***，包括根据预先建立的TCLs的近似聚合模型计算TCLs聚合体的用电功率；根据TCLs聚合体用电功率的变化率计算TCLs聚合体的可削减度，并确定TCLs聚合体的可控度和可接受度；根据TCLs聚合体的可削减度、可控度和可接受度计算TCLs聚合响应潜力的期望值及分布特性。此现有技术1在温控负荷聚合建模的基础上，能够有效评估给定需求响应机制下的TCLs聚合响应潜力及其分布特性，为温控负荷参与电网调控运行或制定合理的需求响应政策奠定基础。
2)现有技术2：蓄热式电采暖虚拟电厂日前可调度潜力评估方法及装置，专利申请号：202011346151.4
公开了一种蓄热式电采暖虚拟电厂日前可调度潜力评估方法及装置，包括获取需求响应激励时段及补贴价格，根据历史数据获取用户热负荷数据，根据设备参数获取蓄热式电采暖设备型号参数，构建单体蓄热式电采暖日前优化调度模型，确定单体蓄热式电采暖出力；根据单体蓄热式电采暖出力，构建单体蓄热式电采暖***可调度潜力评估模型，并计算单体蓄热式电采暖可调度功率；根据蓄热式电采暖可调度功率，构建蓄热式电采暖虚拟电厂日前可调度潜力评估模型。此现有技术2能够在保障用户舒适度前提下响应电价型激励，较好表征蓄热式电采暖***需求响应潜力。
3)现有技术3：一种负荷参与需求响应的聚合潜力评估方法，专利申请号：201710834914.1
公开了一种负荷参与需求响应的聚合潜力评估方法，包括基于空调、热水器和电动汽车这三类家庭负荷的输入输出物理模型，提出户舒适度表征指标计算各负荷的舒适度指标值；考虑负荷运行特性、用户舒适度、用户出行计划、需求响应原则等因素的影响，建立负荷聚合响应模型；提出利用该时段内负荷群体的等效响应功率表征这一时段的聚合响应潜力。此现有技术3能够有效评估智能负荷群的聚合响应能力，从而在电网出现紧急功率缺额时充分挖掘负荷的响应潜力，减轻发电机一二次调频备用的压力。
上述技术方案针对空调负荷、电采暖负荷及空调、热水器和电动汽车家庭负荷进行物理建模，并通过单类型资源聚合或家庭负荷群体聚合评估负荷可调潜力，一方面，空调、电采暖负荷单一，对单体负荷建模聚类并不能准确反映居民实际用电情况；另一方面，计及空调、热水器和电动汽车的家庭负荷相对用户侧负荷占比较小，实用性不强，需要充分考虑居民负荷、商业楼宇及大工业负荷的可调潜力。
发明内容
本发明的目的在于提供一种可调负荷多层聚合调度潜力分析方法、***、设备及介质，以克服现有技术存在的缺陷，本发明使得多元负荷资源的各方主体通过参与电网调控运行，可获得调节补偿，增加了收益，此外，通过多元负荷资源协同调控提升分布式新能源消纳水平，降低电力生产的碳排放，有利于促进低碳目标的达成，实现多赢。
为达到上述目的，本发明采用如下技术方案：
可调负荷多层聚合调度潜力分析方法，所述方法包括：
将多元可调节负荷分为设备层、用户层和聚合商层三个层次；
同时考虑电价、激励机制及用户意愿，对设备层、用户层和聚合商层逐层计算可调节潜力，并逐层传递约束边界，最终获得多元可调节负荷的聚合调度潜力评估曲线。
进一步地，所述对设备层计算可调节潜力具体为：对设备层的单个典型设备进行可调节潜力计算，所述单个典型设备包括居民空调、热水器、电动汽车、商业中央空调及工业生产线。
进一步地，所述居民空调的可调节潜力计算如下：
pAC,t＝PAC×SAC,t
式中，pAC,t为t时段空调实际功率，PAC为制冷状态下空调额定功率，SAC,t为t时段空调工作状态，TAC,min为最低室温设定值，TAC,max为最高室温设定值，TAC,t为t时段室温，TAC,t+1、TAC,t分别表示t+1时段及t时段室温，Gt表示t时段室外与室内热交换值，Δc表示室内温度系数，CAC表示制冷状态下空调热容量，
表示制冷状态下空调对室温变化的作用值，Δt表示时间段间隔。
进一步地，所述热水器的可调节潜力计算如下：
pWH,t＝PWH×SWH,t
式中，pWH,t为t时段热水器实际功率，PWH为加热状态下热水器额定功率，SWH,t为t时段热水器工作状态，TWH,s为热水器最高水温设定值，TWH,t为t时段热水器水温，TWH,t+1、TWH,t分别表示t+1时段及t时段热水器水温，Tin表示热水器进水口注入冷水水温，flt表示t时段热水器热水流量，VWH表示热水器体积，Δt表示时间段间隔，α表示热水器加热温度系数，PWH为加热状态下热水器额定功率，SWH,t为t时段热水器工作状态，ξ表示常规室温下单位时段内，热水器内部热水的自冷却温度减少值。
进一步地，所述电动汽车的可调节潜力计算如下：
pEV,t＝PEV·SEV,t
式中，pEV,t为t时段电动汽车实际充电功率；PEV为电动汽车额定充电功率；SEV,t为t时段电动汽车电池充电状态；SOC0表示电动汽车电池初始电量；SOCt为t时段电动汽车电池剩余容量；SOCt+1为t+1时段电动汽车电池剩余容量；SOCmax表示电动汽车达到满充状态时电池电量最大值；η为充电效率；Cbatt为电动汽车电池的总容量；Δt表示时间段间隔；BEV电动汽车电池容量的限值；L为电动汽车的出行距离；EEV为行驶效率。
进一步地，所述商业中央空调的可调节潜力计算如下：
式中，Tin(t)表示t时刻的室温；
和
分别表示在中央空调制冷期t时刻和初始时刻的室温；
和
分别表示在中央空调停机期t时刻和初始时刻的室温；Qp表示制冷机的额定制冷量，a表示冷冻水的温度变化参数，参数θ1、θ2、θ3、θ4由建筑参数决定：
式中，ρa表示空气密度；ca表示空气比热容；Vk表示室内体积；ks表示内墙面蓄热系数，
表示内墙面积；kroof和kwall分别表示屋顶与墙壁的热传导系数；Sroof和Swall分别表示屋顶与墙壁的面积；Qer表示室内设备、照明以及人员的总散热冷负荷；Tout表示室外温度；mz表示冷冻水质量；cw表示冷冻水比热容；Tw-in和Tw-out分别表示冷冻水的进出水温；
室内温度设定值为Tset，室内温度的变化范围为
商业中央空调的运行功率在额定功率pe和零之间转换，商业中央空调处于制冷和停机状态的持续时间分别为tcooling和tstandby，则中央空调在一个周期t1至t2内的平均制冷功率pav为：
进一步地，所述工业生产线的可调节潜力由n个工序决定，其中一个工序i的最大可调潜力与工业用户生产的基本参数有关：
其中，Pei为工序i单机功率；nei为工序i的生产设备数量；tai为工序i的单位工时；tti为工序i的累计工时；taj为紧后工序j的单位工时；ttj为紧后工序j的累计工时；A为工序i与紧后工序j的关系矩阵，aij为关系矩阵A的元素，i＝1,2,...,n；j＝1,2,...,n；Δtmi为紧后工序i的最大可中断时长
工业生产线的最大可调节潜力为：
进一步地，所述对用户层计算可调节潜力具体为：对居民用户层进行可调节潜力计算、对商业用户层进行可调节潜力计算以及对工业用户层进行可调节潜力计算。
进一步地，所述对居民用户层进行可调节潜力计算如下：
式中，n1为空调数量；Ppot,AC,i为第i台居民空调的响应容量；Si(t)为第i台空调状态；n2为热水器数量；Ppot,WH,j为第j台热水器的响应功率；Sj(t)为第j台热水器状态；n3为电动汽车数量；Ppot,EV,k为第k辆电动汽车的响应功率；Sk(t)为第k台电动汽车状态。
进一步地，所述对商业用户层进行可调节潜力计算如下：
式中，n1为空调数量；Ppot,HVAC,i为第i台商业中央空调的响应容量；Si(t)为第i台空调状态；n3为电动汽车数量；Ppot,EV,k为第k台电动汽车的响应功率；Sk(t)为第k台电动汽车状态。
进一步地，所述对工业用户层进行可调节潜力计算具体为：工业用户层可调节潜力由每条生产线的潜力决定，对于能够建立模型的工业生产线，通过建模分析其理论可调节潜力，对于无法建立模型的工业生产线，则通过分析其工序流程统计得到可调节潜力。
进一步地，所述对聚合商层计算物理调节潜力具体为：
将气象数据、设备规模以及由用户层传递的激励策略输入基于机器学习的聚合特性预测模型，得到聚合调度潜力评估曲线。
可调负荷多层聚合调度潜力分析***，包括层次划分模块和聚合可调度潜力分析模块，其中：
层次划分模块：用于将多元可调节负荷分为设备层、用户层和聚合商层三个层次；
聚合可调度潜力分析模块：同时考虑电价、激励机制及用户意愿，对设备层、用户层和聚合商层逐层计算可调节潜力，并逐层传递约束边界，最终获得多元可调节负荷的聚合可调度潜力。
进一步地，所述对设备层计算可调节潜力具体为：对设备层的单个典型设备进行可调节潜力计算，所述单个典型设备包括居民空调、热水器、电动汽车、商业中央空调及工业生产线。
进一步地，所述对用户层计算可调节潜力具体为：对居民用户层进行可调节潜力计算、对商业用户层进行可调节潜力计算以及对工业用户层进行可调节潜力计算。
进一步地，所述对聚合商层计算物理调节潜力具体为：
将气象数据、设备规模以及由用户层传递的激励策略输入基于机器学习的聚合特性预测模型，得到聚合调度潜力评估曲线。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述可调负荷多层聚合调度潜力分析方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述可调负荷多层聚合调度潜力分析方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明采用的是“自下而上”的评估方法，按照评估对象、评估范围的不同，整体分为“设备层-用户层-聚合商层”三个层次，逐层进行用户的可调节潜力计算，并逐层传递约束边界，最终获得海量多元用户的物理可调度潜力，本发明使得多元负荷资源的各方主体通过参与电网调控运行，可获得调节补偿，增加了收益，此外，通过多元负荷资源协同调控提升分布式新能源消纳水平，降低电力生产的碳排放，有利于促进低碳目标的达成，实现多赢。
进一步地，对于设备层：分析单个典型设备(居民空调、热水器、电动汽车、商业中央空调、工业生产线)的用电特性，或基于其历史用电数据，进行设备级建模。设备级建模的作用体现在：①为逐层潜力分析提供基础；②针对给定的控制策略，评估典型设备的可调潜力。
进一步地，对于用户层：对单个用户(居民用户、商业用户、工业用户)进行设备分类，考虑不同设备之间的响应时序和用电相关性，在设备层可调潜力评估的基础上，评估单个用户的可调潜力。
进一步地，对于聚合商层：按多类型负荷聚合商进行潜力评估，在设备层和用户层可调潜力评估的基础上，考虑计算速度和评估结果精度之间的平衡，提出聚合商层可调潜力评估方法，实现对海量设备或用户聚合后的可调潜力评估。
通过对多元可调节负荷资源的物理调节性能、经济特性、实际运行特征的精细化分析，对多元负荷资源进行优化整合，从而提升了电网平衡能力和平衡手段，提高电网调部门对区域级别、多区互联的分布式灵活调节资源的把控能力，全面支撑分布式灵活调节资源参与电力平衡。
附图说明
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为空调负荷物理模型框图；
图2为热水器物理模型框图；
图3为室内温度变化曲线；
图4为中央空调运行状态及功率；
图5为基于工序流程统计的潜力评估流程；
图6为基于机器学习的聚合特性预测模型；
图7为多元可调负荷聚合特性；其中(a)为多元负荷聚合特性预测曲线，(b)为聚合的下降的动态时间，(c)为聚合的上升的动态时间；
图8为本发明方法流程图；
图9为本发明***结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提出了一种可调节负荷多层级聚合调度潜力分析方法，本发明方法量化分析不同类型用户参与电网调控的潜力，采用“自下而上”的评估方法，同时考虑电价、激励机制、用户意愿等影响因素，逐层进行设备层、用户层、聚合商层的可调节潜力计算，并逐层传递约束边界，最终获得多元负荷的聚合可调度潜力。
如图8所示，具体包括以下步骤：
(1)设备层可调度潜力评估
1)居民空调负荷参与电力需求响应的物理模型如附图1所示。该模型输入变量包括t时段需求响应控制信号、t时段室温、空调温度设定值及温度设定范围及室外温度等；输出变量包括t时段空调工作状态或实际功率、t+1时段室温等。其中，t+1时段室温作为输入变量反馈至输入端，进行下一时段变量计算。同时，该模型中其他变量还包括空调设备自身参数、房间体积、室内为导热率等，在模型具体计算时根据统计情况将其考虑为定值。t时段空调实际功率计算如下式：
pAC,t＝PAC×SAC,t (1)
式中，pAC,t为t时段空调实际功率；PAC为制冷状态下空调额定功率；SAC,t为t时段空调工作状态(值为0表示断电；值为1表示通电)；TAC,min为最低室温设定值；TAC,t为t时段室温。
t+1时段及t时段室温如下：
式中，TAC,t+1、TAC,t分别表示t+1时段及t时段室温；Gt表示t时段室外与室内热交换值，Δc表示室内温度系数，即室温每增加10℃所需热量；CAC表示制冷状态下空调热容量，
表示制冷状态下空调对室温变化的作用值；Δt表示时间段间隔，这里取为1min。
2)热水器负荷参与电力需求响应的物理模型如附图2所示。该模型输入变量包括t时段需求响应控制信号、t时段热水器内水温、流入热水器的冷水水温、热水器水温设定范围及室温等；输出变量包括t时段热水器工作状态或实际功率、t+1时段热水器水温等。其中，t+1时段热水器水温作为输入变量反馈至输入端，进行下一时段变量计算。同时，该模型中其他变量还包括热水器设备自身参数、热水用量及热水流速等，在模型具体计算时根据用户生活习惯统计情况而定。t时段热水器实际功率计算如下式：
pWH,t＝PWH×SWH,t (4)
式中，pWH,t为t时段热水器实际功率；PWH为加热状态下热水器额定功率；SWH,t为t时段热水器工作状态(值为0表示断电停止加热；值为1表示通电加热)；TWH,s为热水器最高水温设定值；TWH,t为t时段热水器水温。
t+1时段及t时段热水器水温计算如下式所示：
式中，TWH,t+1、TWH,t分别表示t+1时段及t时段热水器水温；Tin表示热水器进水口注入冷水水温；flt表示t时段热水器热水流量，与居民生活习惯相关；VWH表示热水器体积；Δt表示时间段间隔，取为1min；α表示热水器加热温度系数，即单位时间内热水器额定加热功率下，热水器水温增加值；PWH为加热状态下热水器额定功率；SWH,t为t时段热水器工作状态(值为0表示断电停止加热；值为1表示通电加热)；ξ表示常规室温下单位时段内，热水器内部热水的自冷却温度减少值，ξ与热水器体积、表面积、室温及热水器内热水水温等相关。
3)电动汽车充电负荷模型与初始充电时刻、车载电池额定充电功率、电池起始状态SOC(state of charge,SOC)及最终满充电量要求等相关。在无需求响应控制信号时，当电动汽车荷电状态SOC未达到电量要求时，将处于持续充电阶段，直至达到满充电量要求。t时段电动汽车实际充电功率计算如下式：
pEV,t＝PEV·SEV,t (7)
式中，PEV为电动汽车额定充电功率；SEV,t为t时段电动汽车电池充电状态(值为0表示断电停止充电；值为1表示通电充电状态)；SOC0表示电动汽车电池初始电量；SOCt为t时段电动汽车电池剩余容量；SOCmax表示电动汽车达到满充状态时电池电量最大值；SOCt+1为t+1时段电动汽车电池剩余容量；η为充电效率；Cbatt为电动汽车电池的总容量；△t表示时间段间隔；BEV电动汽车电池容量的限值；L为电动汽车的出行距离；EEV为行驶效率。
4)商业楼宇的室内热量变化可以根据一段时间内传入室内的热量和中央空调负荷降低的热量之差求得，则安装中央空调的楼宇室温时变公式为：
式中，Tin(t)表示t时刻的室温；
和
分别表示在中央空调制冷期t时刻和初始时刻的室温；
和
分别表示在中央空调停机期t时刻和初始时刻的室温；Qp表示制冷机的额定制冷量。a表示冷冻水的温度变化参数，参数θ1、θ2、θ3、θ4由建筑参数决定：
式中，ρa表示空气密度；ca表示空气比热容；Vk表示室内体积；ks表示内墙面蓄热系数，
表示内墙面积；kroof和kwall分别表示屋顶与墙壁的热传导系数；Sroof和Swall分别表示屋顶与墙壁的面积；Qer表示室内设备、照明以及人员的总散热冷负荷；Tout表示室外温度；mz表示冷冻水质量；cw表示冷冻水比热容；Tw-in和Tw-out分别表示冷冻水的进出水温。
室内温度设定值为Tset，如附图3所示，室内温度在设定值Tset附近波动，变化范围为
中央空调的运行功率在额定功率Pe和零之间转换。中央空调处于制冷和停机状态的持续时间分别为tcooling和tstandby，如附图4所示，中央空调在一个周期t1至t2内的平均制冷功率Pav为：
5)对工业生产线的可调度能力评估是n个工序最大可调潜力之和。工序i最大可调潜力为：
其中，n代表工业生产线的工序个数，Pei为工序i单机功率；nei为工序i的生产设备数量；tai为工序i的单位工时；tti为工序i的累计工时；taj为紧后工序j的单位工时；ttj为紧后工序j的累计工时；A为工序i与紧后工序j的关系矩阵，aij为关系矩阵A的元素，i＝1,2,...,n；j＝1,2,...,n；Δtmi为后工序i的最大可中断时长。
工业生产线的最大可调节容量：
(2)用户层可调潜力评估
1)居民用户层可调潜力评估
对于居民用户，根据设备类型的不同，多元用户可调潜力计算公式为：
式中，n1为空调数量；Ppot,AC,i为第i台居民空调的响应容量；Si(t)为第i台空调状态；n2为热水器数量；Ppot,WH,j为第j台热水器的响应功率；Sj(t)为第j台热水器状态；n3为电动汽车数量；Ppot,EV,k为第k辆电动汽车的响应功率；Sk(t)为第k台电动汽车状态。
2)商业用户层可调潜力：
对于商业用户，可调设备一般为中央空调、电动汽车等，多元用户可调潜力计算公式为：
式中，n1为空调数量；Ppot，HVAC，i为第i台商业中央空调的响应容量；Si(t)为第i台空调状态；n3为电动汽车数量；Ppot,EV，k为第k台电动汽车的响应功率；Sk(t)为第k台电动汽车状态。
3)工业用户层可调潜力：
工业用户层可调潜力由每条工业生产线的可调潜力决定，对于能够建立模型的工业生产线，通过建模分析其理论可调潜力，而对于大部分无法建立模型的工业生产线，则通过分析其工序流程统计得出，基于工序流程统计的潜力评估基本流程如附图5所示，首先分析工业生产线的工艺流程，根据各工艺流程的负荷占比分析其用电特点，确定个工艺流程的负荷响应类型和响应时间，从而评估工业生产线的响应潜力。工业用户一般会根据自身的调节能力与电力公司提前签订可中断合同，可根据合同容量对工业用户的可调潜力进行评估。
(3)聚合层可调潜力评估
可调节负荷数量庞大，本发明提出基于机器学习的聚合特性预测模型，其网络结构如图6所示。在该预测模型中，包含卷积层、池化层、全连接层和预测层。预测层的作用是将全连接层输出的信息转化为相应的类别概率，而起到分类作用。
该预测模型中，输入数据为气象数据、设备规模、激励策略等一维数据，大小为W×1×3。在放入卷积神经网络进行训练前，对这些数据进行数据预处理，删除重复信息、噪声数据，保持数据的一致性并将其归一化，输入图像大小为224×1×3。之后，把清洗完的数据放入VGG16网络进行训练，VGG16总共包含16个子层，第1层卷积层由2个conv3-64组成，第2层卷积层由2个conv3-128组成，第3层卷积层由3个conv3-256组成，第4层卷积层由3个conv3-512组成，第5层卷积层由3个conv3-512组成，然后是2个FC4096全连接层，1个FC1000的softmax输出层，总共16层。
卷积层和池化层可以划分为5个Block，卷积层之间使用最大化池maxpool分开，且所有隐藏层的激活单元都采用ReLU函数，每个Block处理流程都是卷积、ReLU、卷积、ReLU、池化。
Block1由2个conv3-64卷积层和1个最大池化层组成，每个卷基层中的卷积核大小为3×3，个数为64，即输出通道数为64，卷积层输入为224×1×3，输出为224×1×64；池化层大小为2×2，输出为112×1×64。
Block2由2个conv3-128卷积层和1个最大池化层组成，每个卷基层中的卷积核大小为3×3，个数为128，即输出通道数为128，卷积层输入为112×1×64，输出为112×1×128；池化层大小为2×2，输出为56×1×128。
Block3由3个conv3-256卷积层和1个最大池化层组成，每个卷基层中的卷积核大小为3×3，个数为256，即输出通道数为256，卷积层输入为56×1×128，输出为56×1×256；池化层大小为2×2，输出为28×1×256。
Block4由3个conv3-512卷积层和1个最大池化层组成，每个卷基层中的卷积核大小为3×3，个数为512，即输出通道数为512，卷积层输入为28×1×256，输出为28×1×512；池化层大小为2×2，输出为14×1×512。
Block5由3个conv3-512卷积层和1个最大池化层组成，每个卷基层中的卷积核大小为3×3，个数为512，即输出通道数为512，卷积层输入为14×1×512，输出为14×1×512；池化层大小为2×2，输出为7×1×512。
全连接层由2个FC4096组成，该层的处理流程是FC、ReLU、Dropout，Dropout的作用是随机的断开全连接层某些神经元的连接，通过不激活某些神经元的方式防止过拟合。
第1层全连接层FC4096由4096个神经元组成，其中FC输入是7×1×512，即7×1×512的一维向量，输出为4096个神经元。
第2层全连接层FC4096由4096个神经元组成，其中FC输入是4096个神经元，输出为4096个神经元。
第3层全连接层FC1000由1000个神经元组成，对应ImageNet数据集的1000个类别。该层的处理流程是：FC。FC输入是4096个神经元，输出为1000个神经元。
softmax层将1000个神经元的运算结果通过softmax函数中，输出1000个类别对应的预测概率值。
该网络以较深的网络结构，较小的卷积核和池化采样域，使得其能够在获得更多特征信息的同时控制参数的个数，避免过多的计算量以及过于复杂的结构。在完成前向传播和反向传播后，模型对聚合特性中的上升动态时间、下降动态时间、延迟时间、功率恢复时间进行预测，如附图7所示，最终得到聚合调度潜力评估曲线。
本发明还提供一种可调负荷多层聚合调度潜力分析***，如图9所示，包括层次划分模块和聚合可调度潜力分析模块，其中：
层次划分模块：用于将多元可调节负荷分为设备层、用户层和聚合商层三个层次；
聚合可调度潜力分析模块：同时考虑电价、激励机制及用户意愿，对设备层、用户层和聚合商层逐层计算可调节潜力，并逐层传递约束边界，最终获得多元可调节负荷的聚合可调度潜力。
其中，对设备层计算可调节潜力具体为：对设备层的单个典型设备进行可调节潜力计算，所述单个典型设备包括居民空调、热水器、电动汽车、商业中央空调及工业生产线。
对用户层计算可调节潜力具体为：对居民用户层进行可调节潜力计算、对商业用户层进行可调节潜力计算以及对工业用户层进行可调节潜力计算。
对聚合商层计算物理调节潜力具体为：将气象数据、设备规模以及由用户层传递的激励策略输入基于机器学习的聚合特性预测模型，得到聚合调度潜力评估曲线。
本发明采用的是“自下而上”的评估方法，按照评估对象、评估范围的不同，整体分为“设备层-用户层-聚合商层”三个层次，逐层进行用户的可调节潜力计算，并逐层传递约束边界，最终获得海量多元用户的物理可调度潜力。在设备层，重点评估了空调设备、热水器设备、电动汽车设备、工业生产线和商业中央空调等单一用户的调节潜力；在用户层，以居民家庭、商业楼宇、大工业负荷为对象，计算了用户层调节潜力；在聚合层，按多元用户聚合计算了聚合层多元用户的调节潜力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
Claims (18)
1.可调负荷多层聚合调度潜力分析方法，其特征在于，所述方法包括：
将多元可调节负荷分为设备层、用户层和聚合商层三个层次；
同时考虑电价、激励机制及用户意愿，对设备层、用户层和聚合商层逐层计算可调节潜力，并逐层传递约束边界，最终获得多元可调节负荷的聚合调度潜力评估曲线。
2.根据权利要求1所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述对设备层计算可调节潜力具体为：对设备层的单个典型设备进行可调节潜力计算，所述单个典型设备包括居民空调、热水器、电动汽车、商业中央空调及工业生产线。
3.根据权利要求2所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述居民空调的可调节潜力计算如下：
pAC,t＝PAC×SAC,t
式中，pAC,t为t时段空调实际功率，PAC为制冷状态下空调额定功率，SAC,t为t时段空调工作状态，TAC,min为最低室温设定值，TAC,max为最高室温设定值，TAC,t为t时段室温，TAC,t+1、TAC,t分别表示t+1时段及t时段室温，Gt表示t时段室外与室内热交换值，Δc表示室内温度系数，CAC表示制冷状态下空调热容量，
表示制冷状态下空调对室温变化的作用值，Δt表示时间段间隔。
4.根据权利要求2所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述热水器的可调节潜力计算如下：
pWH,t＝PWH×SWH,t
式中，pWH,t为t时段热水器实际功率，PWH为加热状态下热水器额定功率，SWH,t为t时段热水器工作状态，TWH,s为热水器最高水温设定值，TWH,t为t时段热水器水温，TWH,t+1、TWH,t分别表示t+1时段及t时段热水器水温，Tin表示热水器进水口注入冷水水温，flt表示t时段热水器热水流量，VWH表示热水器体积，Δt表示时间段间隔，α表示热水器加热温度系数，PWH为加热状态下热水器额定功率，SWH,t为t时段热水器工作状态，ξ表示常规室温下单位时段内，热水器内部热水的自冷却温度减少值。
5.根据权利要求2所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述电动汽车的可调节潜力计算如下：
pEV,t＝PEV·SEV,t
式中，pEV,t为t时段电动汽车实际充电功率；PEV为电动汽车额定充电功率；SEV，t为t时段电动汽车电池充电状态；SOC0表示电动汽车电池初始电量；SOCt为t时段电动汽车电池剩余容量；SOCt+1为t+1时段电动汽车电池剩余容量；SOCmax表示电动汽车达到满充状态时电池电量最大值；η为充电效率；Cbatt为电动汽车电池的总容量；Δt表示时间段间隔；BEV电动汽车电池容量的限值；L为电动汽车的出行距离；EEV为行驶效率。
6.根据权利要求2所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述商业中央空调的可调节潜力计算如下：
式中，Tin(t)表示t时刻的室温；
和
分别表示在中央空调制冷期t时刻和初始时刻的室温；
和
分别表示在中央空调停机期t时刻和初始时刻的室温；Qp表示制冷机的额定制冷量，a表示冷冻水的温度变化参数，参数θ1、θ2、θ3、θ4由建筑参数决定：
式中，ρa表示空气密度；ca表示空气比热容；Vk表示室内体积；ks表示内墙面蓄热系数，
表示内墙面积；kroof和kwall分别表示屋顶与墙壁的热传导系数；Sroof和Swall分别表示屋顶与墙壁的面积；Qer表示室内设备、照明以及人员的总散热冷负荷；Tout表示室外温度；mz表示冷冻水质量；cw表示冷冻水比热容；Tw-in和Tw-out分别表示冷冻水的进出水温；
室内温度设定值为Tset，室内温度的变化范围为
商业中央空调的运行功率在额定功率pe和零之间转换，商业中央空调处于制冷和停机状态的持续时间分别为tcooling和tstandby，则中央空调在一个周期t1至t2内的平均制冷功率pav为：
7.根据权利要求2所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述工业生产线的可调节潜力由n个工序决定，其中一个工序i的最大可调潜力与工业用户生产的基本参数有关：
其中，Pei为工序i单机功率；nei为工序i的生产设备数量；tai为工序i的单位工时；tti为工序i的累计工时；taj为紧后工序j的单位工时；ttj为紧后工序j的累计工时；A为工序i与紧后工序j的关系矩阵，aij为关系矩阵A的元素，i＝1,2,...,n；j＝1,2,...,n；Δtmi为紧后工序i的最大可中断时长
工业生产线的最大可调节潜力为：
8.根据权利要求1所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述对用户层计算可调节潜力具体为：对居民用户层进行可调节潜力计算、对商业用户层进行可调节潜力计算以及对工业用户层进行可调节潜力计算。
9.根据权利要求8所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述对居民用户层进行可调节潜力计算如下：
式中，n1为空调数量；Ppot,AC,i为第i台居民空调的响应容量；Si(t)为第i台空调状态；n2为热水器数量；Ppot，WH,j为第j台热水器的响应功率；Sj(t)为第j台热水器状态；n3为电动汽车数量；Ppot,EV,k为第k辆电动汽车的响应功率；Sk(t)为第k台电动汽车状态。
10.根据权利要求8所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述对商业用户层进行可调节潜力计算如下：
式中，n1为空调数量；Ppot,HVAC,i为第i台商业中央空调的响应容量；Si(t)为第i台空调状态；n3为电动汽车数量；Ppot,EV,k为第k台电动汽车的响应功率；Sk(t)为第k台电动汽车状态。
11.根据权利要求8所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述对工业用户层进行可调节潜力计算具体为：工业用户层可调节潜力由每条生产线的潜力决定，对于能够建立模型的工业生产线，通过建模分析其理论可调节潜力，对于无法建立模型的工业生产线，则通过分析其工序流程统计得到可调节潜力。
12.根据权利要求1所述的可调负荷多层聚合调度潜力分析方法，其特征在于，所述对聚合商层计算物理调节潜力具体为：
将气象数据、设备规模以及由用户层传递的激励策略输入基于机器学习的聚合特性预测模型，得到聚合调度潜力评估曲线。
13.可调负荷多层聚合调度潜力分析***，其特征在于，包括层次划分模块和聚合可调度潜力分析模块，其中：
层次划分模块：用于将多元可调节负荷分为设备层、用户层和聚合商层三个层次；
聚合可调度潜力分析模块：同时考虑电价、激励机制及用户意愿，对设备层、用户层和聚合商层逐层计算可调节潜力，并逐层传递约束边界，最终获得多元可调节负荷的聚合可调度潜力。
14.根据权利要求13所述的可调负荷多层聚合调度潜力分析***，其特征在于，所述对设备层计算可调节潜力具体为：对设备层的单个典型设备进行可调节潜力计算，所述单个典型设备包括居民空调、热水器、电动汽车、商业中央空调及工业生产线。
15.根据权利要求13所述的可调负荷多层聚合调度潜力分析***，其特征在于，所述对用户层计算可调节潜力具体为：对居民用户层进行可调节潜力计算、对商业用户层进行可调节潜力计算以及对工业用户层进行可调节潜力计算。
16.根据权利要求13所述的可调负荷多层聚合调度潜力分析***，其特征在于，所述对聚合商层计算物理调节潜力具体为：
将气象数据、设备规模以及由用户层传递的激励策略输入基于机器学习的聚合特性预测模型，得到聚合调度潜力评估曲线。
17.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至12任一项所述可调负荷多层聚合调度潜力分析方法的步骤。
18.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至12任一项所述可调负荷多层聚合调度潜力分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210582965.0A CN114862252A (zh) | 2022-05-26 | 2022-05-26 | 可调负荷多层聚合调度潜力分析方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210582965.0A CN114862252A (zh) | 2022-05-26 | 2022-05-26 | 可调负荷多层聚合调度潜力分析方法、***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862252A true CN114862252A (zh) | 2022-08-05 |
Family
ID=82640304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210582965.0A Pending CN114862252A (zh) | 2022-05-26 | 2022-05-26 | 可调负荷多层聚合调度潜力分析方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862252A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115411730A (zh) * | 2022-10-31 | 2022-11-29 | 国网浙江省电力有限公司金华供电公司 | 空调负荷多时段可调节潜力评估方法及相关装置 |
| CN115545579A (zh) * | 2022-12-01 | 2022-12-30 | 国网浙江义乌市供电有限公司 | 一种用于用户柔性资源的聚合智控方法和*** |
| CN116544930A (zh) * | 2023-06-25 | 2023-08-04 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式资源聚合体可调节能力评估方法及装置 |
| CN117745043A (zh) * | 2024-02-21 | 2024-03-22 | 国网数字科技控股有限公司 | 一种调节潜力确定方法、装置及设备 |
-
2022
- 2022-05-26 CN CN202210582965.0A patent/CN114862252A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115411730A (zh) * | 2022-10-31 | 2022-11-29 | 国网浙江省电力有限公司金华供电公司 | 空调负荷多时段可调节潜力评估方法及相关装置 |
| CN115545579A (zh) * | 2022-12-01 | 2022-12-30 | 国网浙江义乌市供电有限公司 | 一种用于用户柔性资源的聚合智控方法和*** |
| CN116544930A (zh) * | 2023-06-25 | 2023-08-04 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式资源聚合体可调节能力评估方法及装置 |
| CN116544930B (zh) * | 2023-06-25 | 2023-09-19 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式资源聚合体可调节能力评估方法及装置 |
| CN117745043A (zh) * | 2024-02-21 | 2024-03-22 | 国网数字科技控股有限公司 | 一种调节潜力确定方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114862252A (zh) | 可调负荷多层聚合调度潜力分析方法、***、设备及介质 | |
| CN112633571B (zh) | 源网荷互动环境下基于lstm的超短期负荷预测方法 | |
| Wu et al. | Real-time scheduling of residential appliances via conditional risk-at-value | |
| CN110619425B (zh) | 一种考虑源网荷储差异特性的多功能区综合能源***协同规划方法 | |
| CN107612041B (zh) | 一种考虑不确定性的基于事件驱动的微电网自动需求响应方法 | |
| CN113255968B (zh) | 基于设备和行为信息的商业办公楼精细化负荷预测方法 | |
| CN105607484A (zh) | 智能电网环境下商业用户可控负荷的管理策略 | |
| CN112488372A (zh) | 多时间尺度下电采暖负荷双层优化调度方法 | |
| CN112419087A (zh) | 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法 | |
| CN114567006A (zh) | 一种配电网多目标优化运行方法及*** | |
| CN111555291A (zh) | 一种基于自适应粒子群的负荷集群控制方法 | |
| CN113158450A (zh) | 一种基于楼宇能量管理***经济调度方法及*** | |
| Bai et al. | Flexibility quantification and enhancement of flexible electric energy systems in buildings | |
| CN116937601A (zh) | 一种基于在线安全分析的多元可控负荷协同调度策略校核方法 | |
| Yang et al. | Bi-level decentralized control of electric heating loads considering wind power accommodation in real-time electricity market | |
| Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
| Kyriakou et al. | Optimal frequency support method for urban microgrids of building prosumers | |
| CN111917135A (zh) | 一种智能建筑群电能优化共享方法 | |
| Bandyopadhyay et al. | Energetic potential for demand response in detached single family homes in Austin, TX | |
| CN111523697A (zh) | 一种综合能源服务成本分摊与定价计算方法 | |
| CN115545429A (zh) | 基于cpss架构的多场景低压可再生资源负荷预测方法 | |
| Qi et al. | Analysis of emergency demand response levels of central air-conditioning | |
| CN113822572B (zh) | 考虑能源共享和多风险的园区综合能源***优化调度方法 | |
| Alyami et al. | Novel flexibility indices of controllable loads in relation to EV and rooftop PV | |
| CN111130107A (zh) | 电网负荷预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |